CN115793553B - 工程机械工况控制方法、装置、电子设备和存储介质 - Google Patents
工程机械工况控制方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115793553B CN115793553B CN202310086506.8A CN202310086506A CN115793553B CN 115793553 B CN115793553 B CN 115793553B CN 202310086506 A CN202310086506 A CN 202310086506A CN 115793553 B CN115793553 B CN 115793553B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sequence data
- abnormal
- data
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种工程机械工况控制方法、装置、电子设备和存储介质,其中方法包括:获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将时序数据序列划分为多个时序数据集合;基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;基于第一预设抽样长度和第二预设抽样长度,分别以异常时序数据段中的各个时序数据为终止点对时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于异常时序数据及其时间节点发送异常修复控制指令。本发明提升了异常工况数据的识别准确率和机械控制的准确性。
Description
技术领域
本发明涉及工程机械控制技术领域,尤其涉及一种工程机械工况控制方法、装置、电子设备和存储介质。
背景技术
通过对工程机械设备的工况数据如电压、电流、发动机水温、油耗、工时等信息进行采集、监控和分析,从而发现数据异常的情况并及时对工程机械进行调试以进行异常处理,是工程机械设备控制流程中的重要环节。目前,现有异常数据识别方案通常采用数据阈值过滤的方式进行异常数据的清洗,根据数据的业务属性,给出数据的合理范围,如果超过该范围则判断数据为异常数据,比如发动机水温一般在0-100摄氏度,如果数据超过100或者小于0,则判断该数据为异常数据。
然而,工程机械设备的作业过程较为复杂且不同工程机械设备的工作情况不一,其产生的工况数据中的某些异常情况(例如数据异常大或异常小等)较难识别,例如部分异常数据与标准数据的差异较小难以识别,不同工程机械设备工作情况不一、单一的比对标准难以适应不同的工程机械设备,对比标准需要根据数据的业务属性以及经验值来判断、容易误判导致遗漏异常数据等,导致工程机械设备的异常数据识别任务的准确性欠佳。
发明内容
本发明提供一种工程机械工况控制方法、装置、电子设备和存储介质,用以解决现有技术中工程机械设备的异常数据识别任务的准确性欠佳的缺陷。
本发明提供一种工程机械工况控制方法,包括:
获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将所述时序数据序列划分为多个时序数据集合;其中,所述滑动时间窗口的移动步长与所述时序数据序列中相邻时序数据的时间间隔相同;
基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;
基于第一预设抽样长度和第二预设抽样长度,分别以所述异常时序数据段中的各个时序数据为终止点对所述时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;其中,所述第一预设抽样长度和所述第二预设抽样长度不同;
基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于所述异常时序数据及其时间节点发送异常修复控制指令以控制工程机械设备进行异常修复。
根据本发明提供的一种工程机械工况控制方法,所述基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段,具体包括:
基于任意两个相邻的时序数据集合间的相关系数,获取相关系数大于所述预设相关阈值的两个相邻的时序数据集合;
基于所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位异常时序数据段;其中,所述异常时序数据段中包括所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合中的所有时序数据。
根据本发明提供的一种工程机械工况控制方法,所述基于所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位异常时序数据段,具体包括:
基于所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位第一异常时序数据段;
获取所述工程机械设备的作业流程数据,确定所述工程机械设备在一个施工周期内不同处理操作之间的相关性;
基于所述工程机械设备在一个施工周期内不同处理操作之间的相关性,以及不同处理操作的时序和持续时间,确定所述时序数据序列中存在数据关联的时序数据;
基于所述时序数据序列中存在数据关联的时序数据,从所述时序数据序列中选取与任一第一异常时序数据段关联的第二异常时序数据段;其中,所述第二异常时序数据段中包含与所述任一第一异常时序数据段中时序数据存在数据关联的时序数据,且所述第二异常时序数据段与各个第一异常时序数据段均不存在交集,所述异常时序数据段包括所述第一异常时序数据段和所述第二异常时序数据段。
根据本发明提供的一种工程机械工况控制方法,所述基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,具体包括:
分别确定任一时序数据对应的第一抽样集合和第二抽样集合中各时序数据的绝对值的平均值,得到第一平均值和第二平均值;
基于所述第一平均值与所述第二平均值之间的比值,得到所述任一时序数据对应的第一抽样集合与第二抽样集合间的数值差异;
基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异中的最大值和/或最小值,确定异常时序数据。
根据本发明提供的一种工程机械工况控制方法,所述预设相关阈值是基于如下步骤确定的:
获取与所述工程机械设备类型相同的样本设备在相同作业场景下采集的样本时序数据序列以及样本异常数据点;
分别基于多个测试相关阈值确定所述样本时序数据序列的第一测试异常时序数据段以及第一测试异常时序数据,并确定所述多个测试相关阈值对应的第一测试异常时序数据与所述样本异常数据点之间的对比结果;
基于所述多个测试相关阈值对应的第一测试异常时序数据与所述样本异常数据点之间的对比结果,确定所述预设相关阈值。
根据本发明提供的一种工程机械工况控制方法,所述第一预设抽样长度和所述第二预设抽样长度是基于如下步骤确定的:
分别基于多个测试抽样长度组,确定所述样本时序数据序列的第二测试异常时序数据段以及第二测试异常时序数据,并确定所述多个测试抽样长度组对应的第二测试异常时序数据与所述样本异常数据点之间的对比结果;其中,任一测试抽样长度组中包含两个不同的长度值;
基于所述多个测试抽样长度组对应的第二测试异常时序数据与所述样本异常数据点之间的对比结果,确定所述第一预设抽样长度和所述第二预设抽样长度。
根据本发明提供的一种工程机械工况控制方法,所述时序数据序列的长度是基于所述工程机械设备的施工周期确定的,所述时序数据集合的长度是基于所述时序数据序列的长度确定的。
本发明还提供一种工程机械工况控制装置,包括:
数据划分单元,用于获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将所述时序数据序列划分为多个时序数据集合;其中,所述滑动时间窗口的移动步长与所述时序数据序列中相邻时序数据的时间间隔相同;
数据段定位单元,用于基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;
数据抽样单元,用于基于第一预设抽样长度和第二预设抽样长度,分别以所述异常时序数据段中的各个时序数据为终止点对所述时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;其中,所述第一预设抽样长度和所述第二预设抽样长度不同;
数据点定位单元,用于基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于所述异常时序数据及其时间节点发送异常修复控制指令以控制工程机械设备进行异常修复。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述工程机械工况控制方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述工程机械工况控制方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述工程机械工况控制方法。
本发明提供的工程机械工况控制方法、装置、电子设备和存储介质,通过利用同一作业工况时间段数据的相关性特征识别波动较大的数据段,定位到发生数据异常的大概时间范围,得到异常时序数据段,再针对每一个异常时序数据段,利用计算双窗口数据差异的方法精准识别出异常时序数据、包括波动较小的异常时序数据,从而根据异常时序数据对工程机械设备进行控制,充分利用了工况数据的自身特性以及数据之间的相关性,提升了异常工况数据的识别准确率和机械控制的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的工程机械工况控制方法的流程示意图;
图2是本发明提供的异常时序数据段确定方法的流程示意图;
图3是本发明提供的异常时序数据确定方法的流程示意图;
图4是本发明提供的工程机械工况控制装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明提供的工程机械工况控制方法的流程示意图,如图1所示,该方法包括:
步骤110,获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将所述时序数据序列划分为多个时序数据集合;其中,所述滑动时间窗口的移动步长与所述时序数据序列中相邻时序数据的时间间隔相同;
步骤120,基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;
步骤130,基于第一预设抽样长度和第二预设抽样长度,分别以所述异常时序数据段中的各个时序数据为终止点对所述时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;其中,所述第一预设抽样长度和所述第二预设抽样长度不同;
步骤140,基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于所述异常时序数据及其时间节点发送异常修复控制指令以控制工程机械设备进行异常修复。
具体地,针对该工程机械设备采集的工况数据进行时序排列,生成时序键值对{t1,v1},{t2.v2}…{tn,vn},其中ti(1≤ i ≤ n)为采集该设备的某一工况参数数据的时间节点,vn为该设备tn时刻的工况数值。确定了时序数据处理长度N后,从上述时序键值对中截取N个时序键值对中的vn,构建该工程机械设备对应的时序数据序列。其中,时序数据序列的长度N是基于该工程机械设备的施工周期确定的。随后,基于固定长度的滑动时间窗口将时序数据序列划分为多个时序数据集合。其中,滑动时间窗口的移动步长与时序数据序列中相邻时序数据的时间间隔相同,时序数据集合的长度(即滑动时间窗口的长度)可以基于时序数据序列的长度确定得到。以时序数据序列{X(1),X(2),...,X(N )}为例,那么经由滑动时间窗口划分的相邻两个时序数据集合Ci和Ci+1可以分别为{X(i),X(i+1),...,X(i+w)}以及{X(i+1),X(i+2),...,X(i+w+1)}。
计算任意两个相邻的时序数据集合间的相关系数,并基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段。其中,由于任意两个相邻的时序数据集合Ci和Ci+1对应同一作业时间段的工况数据{X(i),X(i+1),...,X(i+w),X(i+w+1)},且当这个作业时间段内的工况数据产生异常时,会对该时间段工况数据之间的相关性特征产生较明显的影响,因此可以计算任意两个相邻的时序数据集合间的相关系数,并根据上述相关系数与预设相关阈值之间的差异,定位相关系数与预设相关阈值发生明显偏差的时序数据集合,再识别出发生数据异常的时间范围,从而得到包含异常数据的异常时序数据段。此处,可以基于如下公式计算任意两个相邻的时序数据集合Ci和Ci+1间的相关系数:
其中,w为时序数据集合的长度,和分别为时序数据集合Ci和Ci+1中的第j个时序数据。
筛选出一个或多个异常时序数据段后,对每一个异常时序数据段进行精确识别,以精准确定异常数据出现的时间节点。此处,针对任一异常时序数据段,可以基于第一预设抽样长度和第二预设抽样长度,分别以该异常时序数据段中的各个时序数据为终止点对时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合。其中,第一预设抽样长度和第二预设抽样长度不同。可见,针对该异常时序数据段中的任一时序数据X(i)而言,抽样得到的第一抽样集合和第二抽样集合拥有相同的终止数据,即该时序数据X(i)。另外,在进行抽样时,可以直接以该时序数据为终止点,往前截取第一预设抽样长度的时序数据,作为第一抽样集合,以该时序数据为终止点,往前截取第二预设抽样长度的时序数据,作为第二抽样集合。
随后,确定各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异。其中,针对正常的时序数据,其对应的两个窗口内的数据(即第一抽样集合和第二抽样集合)之间的数值差异通常较为接近和集中,相应地,如若是异常的时序数据,其对应的两个窗口内的数据(即第一抽样集合和第二抽样集合)之间的数值差异与正常的时序数据相比会存在较大的偏移,因此可以从各个时序数据中选取上述数值差异相对于其他时序数据而言偏移程度最大的时序数据,作为异常时序数据。此处,通过对同一时序数据抽样出两个不同窗口的数据,并计算两个窗口内数据的数值差异,相对于单一窗口而言,该方式能够更准确地抓取时序数据的特性,更精确地区分正常时序数据和异常时序数据,从而提升异常数据识别的准确性。定位到异常时序数据后,可以基于异常时序数据及其时间节点进行数据清洗,还可以向工程机械设备发送异常修复控制指令以控制工程机械设备进行异常修复,例如控制相关的机械模组进行初始化恢复处理。
本发明实施例提供的方法,通过利用同一作业工况时间段数据的相关性特征识别波动较大的数据段,定位到发生数据异常的大概时间范围,得到异常时序数据段,再针对每一个异常时序数据段,利用计算双窗口数据差异的方法精准识别出异常时序数据、包括波动较小的异常时序数据,从而根据异常时序数据对工程机械设备进行控制,充分利用了工况数据的自身特性以及数据之间的相关性,提升了异常工况数据的识别准确率和机械控制的准确性。
基于上述实施例,如图2所示,所述基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段,具体包括:
步骤210,基于任意两个相邻的时序数据集合间的相关系数,获取相关系数大于所述预设相关阈值的两个相邻的时序数据集合;
步骤220,基于所述相关系数大于预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位异常时序数据段;其中,所述异常时序数据段中包括所述相关系数大于预设相关阈值的两个相邻的时序数据集合中的所有时序数据。
具体地,基于任意两个相邻的时序数据集合间的相关系数,获取相关系数大于上述预设相关阈值的两个相邻的时序数据集合。其中,预设相关阈值可以基于数据采集频率和数值变化幅度确定。根据上述相关系数大于预设相关阈值的两个相邻的时序数据集合,可以从原始的时序数据序列中定位出异常时序数据段。其中,异常时序数据段中包括上述相关系数大于预设相关阈值的两个相邻的时序数据集合中的所有时序数据。以Ci和Ci+1为例,其中Ci和Ci+1分别为{X(i),X(i+1),...,X(i+w)}以及{X(i+1),X(i+2),...,X(i+w+1)},若该两者的相关系数大于预设相关阈值,则获取的异常时序数据段为{X(i),X(i+1),...,X(i+w),X(i+w+1)}。
基于上述任一实施例,所述基于所述相关系数大于预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位异常时序数据段,具体包括:
基于所述相关系数大于预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位第一异常时序数据段;
获取所述工程机械设备的作业流程数据,确定所述工程机械设备在一个施工周期内不同处理操作之间的相关性;
基于所述工程机械设备在一个施工周期内不同处理操作之间的相关性,以及不同处理操作的时序和持续时间,确定所述时序数据序列中存在数据关联的时序数据;
基于所述时序数据序列中存在数据关联的时序数据,从所述时序数据序列中选取与任一第一异常时序数据段关联的第二异常时序数据段;其中,所述第二异常时序数据段中包含与所述任一第一异常时序数据段中时序数据存在数据关联的时序数据,且所述第二异常时序数据段与各个第一异常时序数据段均不存在交集,所述异常时序数据段包括所述第一异常时序数据段和所述第二异常时序数据段。
具体地,为了避免遗漏检测异常时序数据,可以在异常时序数据段的筛选步骤中选取出所有可能存在异常时序数据的数据段。考虑到工程机械设备在进行作业的过程中不同处理操作之间可能存在一定的关联性,从而导致其所产生的工况数据之间也可能存在一定的相关性,因此一个时序数据出现异常,可能会引起其他时序数据一同出现异常。为了确保不遗漏异常时序数据,可以利用上述实施例中给出的方式,基于相关系数大于预设相关阈值的两个相邻的时序数据集合,从时序数据序列中定位出第一异常时序数据段后,获取与各个第一异常时序数据段中的时序数据存在关联且未被第一异常时序数据段包含在内的数据段,也作为后续精准识别异常时序数据的对象。
具体而言,可以获取该工程机械设备的作业流程数据,确定该工程机械设备在一个施工周期内不同处理操作之间的相关性。其中,处理操作之间存在相关性是指在后的处理操作涉及的设备参数依赖于在前的处理操作涉及的设备参数。基于工程机械设备在一个施工周期内不同处理操作之间的相关性,以及不同处理操作的时序和持续时间,确定时序数据序列中存在数据关联的时序数据。具体而言,可以基于存在相关性的两个处理操作及其时序,确定在先的处理操作和在后的处理操作,随后基于上述处理操作的持续时间,将在先的处理操作的持续时间内的时序数据与在后的处理操作的持续时间内的时序数据之间建立关联,得到时序数据序列中存在数据关联的时序数据。
基于时序数据序列中存在数据关联的时序数据,从时序数据序列中选取与任一第一异常时序数据段关联的第二异常时序数据段。其中,第二异常时序数据段中包含与该第一异常时序数据段中时序数据存在数据关联的时序数据,且该第二异常时序数据段与各个第一异常时序数据段之间均不存在交集。最后得到的异常时序数据段则包括上述第一异常时序数据段和第二异常时序数据段。
基于上述任一实施例,如图3所示,所述基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,具体包括:
步骤310,分别确定任一时序数据对应的第一抽样集合和第二抽样集合中各时序数据的绝对值的平均值,得到第一平均值和第二平均值;
步骤320,基于所述第一平均值与所述第二平均值之间的比值,得到所述任一时序数据对应的第一抽样集合与第二抽样集合间的数值差异;
步骤330,基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异中的最大值和/或最小值,确定异常时序数据。
具体地,针对任一时序数据,计算该时序数据对应的第一抽样集合中各时序数据的绝对值的平均值,作为第一平均值,同时计算该时序数据对应的第二抽样集合中各时序数据的绝对值的平均值,作为第二平均值。计算上述第一平均值与第二平均值之间的比值,作为该时序数据对应的第一抽样集合与第二抽样集合间的数值差异。随后,基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异中的最大值和/或最小值,确定异常时序数据。
其中,对于任一第一异常时序数据段中的时序数据,由于该第一异常时序数据段中必定包含异常时序数据,因此可以将第一抽样集合与第二抽样集合间的数值差异最大和/或最小时对应的时序数据作为异常时序数据。对于任一第二异常时序数据段中的时序数据,由于该第二异常时序数据段中可能但不是必定包含异常时序数据,因此可以确定第一抽样集合与第二抽样集合间的数值差异最大和/或最小时对应的时序数据,并确定上述最大的数值差异和/或最小的数值差异与其余时序数据对应的第一抽样集合与第二抽样集合的数值差异之间的偏移程度;若偏移程度超过预设偏移阈值,则可以确定上述第一抽样集合与第二抽样集合间的数值差异最大和/或最小时对应的时序数据为异常时序数据。
基于上述任一实施例,预设相关阈值是基于如下步骤确定的:
获取与所述工程机械设备类型相同的样本设备在相同作业场景下采集的样本时序数据序列以及样本异常数据点;
分别基于多个测试相关阈值确定所述样本时序数据序列的第一测试异常时序数据段以及第一测试异常时序数据,并确定所述多个测试相关阈值对应的第一测试异常时序数据与所述样本异常数据点之间的对比结果;
基于所述多个测试相关阈值对应的第一测试异常时序数据与所述样本异常数据点之间的对比结果,确定所述预设相关阈值。
具体地,为了提升异常工况数据的识别准确度,可以通过大数据训练的方式测试出最优的预设相关阈值。具体而言,可以预先收集大量与上述工程机械设备类型相同的样本设备在相同作业场景下采集的大量样本时序数据序列以及样本时序数据序列中的样本异常数据点(即真实异常数据点)。随后,针对任一轮训练过程中采用的任一样本时序数据序列,可以分别基于多个测试相关阈值确定该样本时序数据序列的第一测试异常时序数据段以及第一测试异常时序数据。其中,测试相关阈值与预设相关阈值的作用是相同的。对于任一测试相关阈值,可以采用上述实施例中给出的异常时序数据段确定方式,利用该测试相关阈值确定第一测试异常时序数据段,并利用上述实施例中给出的异常时序数据的确定方式,基于第一测试异常时序数据段确定第一测试异常时序数据(其中采用的第一预设抽样长度和第二预设抽样长度可以根据实际场景进行指定)。
随后,确定多个测试相关阈值各自对应的第一测试异常时序数据与该样本时序数据序列的样本异常数据点之间的对比结果,并基于多个测试相关阈值对应的第一测试异常时序数据与该样本时序数据序列的样本异常数据点之间的对比结果,确定最佳的测试相关阈值,作为预设相关阈值。此处,任一测试相关阈值对应的第一测试异常时序数据与该样本时序数据序列的样本异常数据点之间的对比结果指示了相应第一测试异常时序数据与样本异常数据点之间的一致性程度,一致性程度越高代表基于该测试相关阈值所确定的第一测试异常时序数据越准确。因此,可以选取第一测试异常时序数据与样本异常数据点之间一致性程度最高的测试相关阈值,作为该轮训练中选取的最佳相关阈值。由于训练集中包含有大量的样本时序数据序列,每个样本时序数据序列均对应一轮训练并获得一个最佳相关阈值,因此可以基于投票机制等方式从各轮训练中选取的最佳相关阈值中确定出现次数最多的最佳相关阈值,作为预设相关阈值。
基于上述任一实施例,所述第一预设抽样长度和所述第二预设抽样长度是基于如下步骤确定的:
分别基于多个测试抽样长度组,确定所述样本时序数据序列的第二测试异常时序数据段以及第二测试异常时序数据,并确定所述多个测试抽样长度组对应的第二测试异常时序数据与所述样本异常数据点之间的对比结果;其中,任一测试抽样长度组中包含两个不同的长度值;
基于所述多个测试抽样长度组对应的第二测试异常时序数据与所述样本异常数据点之间的对比结果,确定所述第一预设抽样长度和所述第二预设抽样长度。
具体地,与预设相关阈值的确定方式类似,同样可以基于大量与上述工程机械设备类型相同的样本设备在相同作业场景下采集的大量样本时序数据序列以及样本时序数据序列中的样本异常数据点,采用大数据训练的方式确定最优的第一预设抽样长度和第二预设抽样长度。其中,可以分别基于多个包含两个不同长度值的测试抽样长度组,确定样本时序数据序列的第二测试异常时序数据段以及第二测试异常时序数据,并确定多个测试抽样长度组对应的第二测试异常时序数据与该样本时序数据序列的样本异常数据点之间的对比结果。对于任一测试抽样长度组,可以采用上述实施例中给出的异常时序数据段确定方式确定第二测试异常时序数据段(其中采用的预设相关阈值是上一实施例中确定好的预设相关阈值)后,利用上述实施例中给出的异常时序数据的确定方式,基于第二测试异常时序数据段以及该测试抽样长度组中包含的两个长度值确定第二测试异常时序数据(该测试抽样长度组中的两个长度值与第一预设抽样长度和第二预设抽样长度的作用是相同的)。
基于多个测试抽样长度组对应的第二测试异常时序数据与样本异常数据点之间的对比结果,确定最优的测试抽样长度组,从而得到第一预设抽样长度和第二预设抽样长度。此处,任一测试抽样长度组对应的第二测试异常时序数据与该样本时序数据序列的样本异常数据点之间的对比结果指示了相应第二测试异常时序数据与样本异常数据点之间的一致性程度,一致性程度越高代表基于该测试抽样长度组所确定的第二测试异常时序数据越准确。因此,可以选取第二测试异常时序数据与样本异常数据点之间一致性程度最高的测试抽样长度组,作为该轮训练中选取的最佳测试抽样长度组。由于训练集中包含有大量的样本时序数据序列,每个样本时序数据序列均对应一轮训练并获得一个最佳测试抽样长度组,因此可以基于投票机制等方式从各轮训练中选取的最佳测试抽样长度组中确定出现次数最多的最佳测试抽样长度组,作为全局最优的测试抽样长度组,并基于该全局最优的测试抽样长度组对第一预设抽样长度和第二预设抽样长度进行赋值。
下面对本发明提供的工程机械工况控制装置进行描述,下文描述的工程机械工况控制装置与上文描述的工程机械工况控制方法可相互对应参照。
基于上述任一实施例,图4是本发明提供的工程机械工况控制装置的结构示意图,如图4所示,该装置包括:数据划分单元410、数据段定位单元420、数据抽样单元430和数据点定位单元440。
其中,数据划分单元410用于获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将所述时序数据序列划分为多个时序数据集合;其中,所述滑动时间窗口的移动步长与所述时序数据序列中相邻时序数据的时间间隔相同;
数据段定位单元420用于基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;
数据抽样单元430用于基于第一预设抽样长度和第二预设抽样长度,分别以所述异常时序数据段中的各个时序数据为终止点对所述时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;其中,所述第一预设抽样长度和所述第二预设抽样长度不同;
数据点定位单元440用于基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于所述异常时序数据及其时间节点发送异常修复控制指令以控制工程机械设备进行异常修复。
本发明实施例提供的装置,通过利用同一作业工况时间段数据的相关性特征识别波动较大的数据段,定位到发生数据异常的大概时间范围,得到异常时序数据段,再针对每一个异常时序数据段,利用计算双窗口数据差异的方法精准识别出异常时序数据、包括波动较小的异常时序数据,从而根据异常时序数据对工程机械设备进行控制,充分利用了工况数据的自身特性以及数据之间的相关性,提升了异常工况数据的识别准确率和机械控制的准确性。
基于上述任一实施例,所述基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段,具体包括:
基于任意两个相邻的时序数据集合间的相关系数,获取相关系数大于所述预设相关阈值的两个相邻的时序数据集合;
基于所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位异常时序数据段;其中,所述异常时序数据段中包括所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合中的所有时序数据。
基于上述任一实施例,所述基于所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位异常时序数据段,具体包括:
基于所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位第一异常时序数据段;
获取所述工程机械设备的作业流程数据,确定所述工程机械设备在一个施工周期内不同处理操作之间的相关性;
基于所述工程机械设备在一个施工周期内不同处理操作之间的相关性,以及不同处理操作的时序和持续时间,确定所述时序数据序列中存在数据关联的时序数据;
基于所述时序数据序列中存在数据关联的时序数据,从所述时序数据序列中选取与任一第一异常时序数据段关联的第二异常时序数据段;其中,所述第二异常时序数据段中包含与所述任一第一异常时序数据段中时序数据存在数据关联的时序数据,且所述第二异常时序数据段与各个第一异常时序数据段均不存在交集,所述异常时序数据段包括所述第一异常时序数据段和所述第二异常时序数据段。
基于上述任一实施例,所述基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,具体包括:
分别确定任一时序数据对应的第一抽样集合和第二抽样集合中各时序数据的绝对值的平均值,得到第一平均值和第二平均值;
基于所述第一平均值与所述第二平均值之间的比值,得到所述任一时序数据对应的第一抽样集合与第二抽样集合间的数值差异;
基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异中的最大值和/或最小值,确定异常时序数据。
基于上述任一实施例,所述预设相关阈值是基于如下步骤确定的:
获取与所述工程机械设备类型相同的样本设备在相同作业场景下采集的样本时序数据序列以及样本异常数据点;
分别基于多个测试相关阈值确定所述样本时序数据序列的第一测试异常时序数据段以及第一测试异常时序数据,并确定所述多个测试相关阈值对应的第一测试异常时序数据与所述样本异常数据点之间的对比结果;
基于所述多个测试相关阈值对应的第一测试异常时序数据与所述样本异常数据点之间的对比结果,确定所述预设相关阈值。
基于上述任一实施例,所述第一预设抽样长度和所述第二预设抽样长度是基于如下步骤确定的:
分别基于多个测试抽样长度组,确定所述样本时序数据序列的第二测试异常时序数据段以及第二测试异常时序数据,并确定所述多个测试抽样长度组对应的第二测试异常时序数据与所述样本异常数据点之间的对比结果;其中,任一测试抽样长度组中包含两个不同的长度值;
基于所述多个测试抽样长度组对应的第二测试异常时序数据与所述样本异常数据点之间的对比结果,确定所述第一预设抽样长度和所述第二预设抽样长度。
基于上述任一实施例,所述时序数据序列的长度是基于所述工程机械设备的施工周期确定的,所述时序数据集合的长度是基于所述时序数据序列的长度确定的。
图5是本发明提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、存储器(memory)520、通信接口(CommunicationsInterface)530和通信总线540,其中,处理器510,存储器520,通信接口530通过通信总线540完成相互间的通信。处理器510可以调用存储器520中的逻辑指令,以执行工程机械工况控制方法,该方法包括:获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将所述时序数据序列划分为多个时序数据集合;其中,所述滑动时间窗口的移动步长与所述时序数据序列中相邻时序数据的时间间隔相同;基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;基于第一预设抽样长度和第二预设抽样长度,分别以所述异常时序数据段中的各个时序数据为终止点对所述时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;其中,所述第一预设抽样长度和所述第二预设抽样长度不同;基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于所述异常时序数据及其时间节点发送异常修复控制指令以控制工程机械设备进行异常修复。
此外,上述的存储器520中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的工程机械工况控制方法,该方法包括:获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将所述时序数据序列划分为多个时序数据集合;其中,所述滑动时间窗口的移动步长与所述时序数据序列中相邻时序数据的时间间隔相同;基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;基于第一预设抽样长度和第二预设抽样长度,分别以所述异常时序数据段中的各个时序数据为终止点对所述时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;其中,所述第一预设抽样长度和所述第二预设抽样长度不同;基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于所述异常时序数据及其时间节点发送异常修复控制指令以控制工程机械设备进行异常修复。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的工程机械工况控制方法,该方法包括:获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将所述时序数据序列划分为多个时序数据集合;其中,所述滑动时间窗口的移动步长与所述时序数据序列中相邻时序数据的时间间隔相同;基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;基于第一预设抽样长度和第二预设抽样长度,分别以所述异常时序数据段中的各个时序数据为终止点对所述时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;其中,所述第一预设抽样长度和所述第二预设抽样长度不同;基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于所述异常时序数据及其时间节点发送异常修复控制指令以控制工程机械设备进行异常修复。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种工程机械工况控制方法,其特征在于,包括:
获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将所述时序数据序列划分为多个时序数据集合;其中,所述滑动时间窗口的移动步长与所述时序数据序列中相邻时序数据的时间间隔相同;
基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;
基于第一预设抽样长度和第二预设抽样长度,分别以所述异常时序数据段中的各个时序数据为终止点对所述时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;其中,所述第一预设抽样长度和所述第二预设抽样长度不同;
基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于所述异常时序数据及其时间节点发送异常修复控制指令以控制工程机械设备进行异常修复;
其中,基于如下公式计算任意两个相邻的时序数据集合Ci和Ci+1间的相关系数ri,i+1:
其中,w为时序数据集合的长度,Ci (j)和Ci+1 (j)分别为时序数据集合Ci和Ci+1中的第j个时序数据。
2.根据权利要求1所述的工程机械工况控制方法,其特征在于,所述基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段,具体包括:
基于任意两个相邻的时序数据集合间的相关系数,获取相关系数大于所述预设相关阈值的两个相邻的时序数据集合;
基于所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位异常时序数据段;其中,所述异常时序数据段中包括所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合中的所有时序数据。
3.根据权利要求2所述的工程机械工况控制方法,其特征在于,所述基于所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位异常时序数据段,具体包括:
基于所述相关系数大于所述预设相关阈值的两个相邻的时序数据集合,从所述时序数据序列中定位第一异常时序数据段;
获取所述工程机械设备的作业流程数据,确定所述工程机械设备在一个施工周期内不同处理操作之间的相关性;
基于所述工程机械设备在一个施工周期内不同处理操作之间的相关性,以及不同处理操作的时序和持续时间,确定所述时序数据序列中存在数据关联的时序数据;
基于所述时序数据序列中存在数据关联的时序数据,从所述时序数据序列中选取与任一第一异常时序数据段关联的第二异常时序数据段;其中,所述第二异常时序数据段中包含与所述任一第一异常时序数据段中时序数据存在数据关联的时序数据,且所述第二异常时序数据段与各个第一异常时序数据段均不存在交集,所述异常时序数据段包括所述第一异常时序数据段和所述第二异常时序数据段。
4.根据权利要求1所述的工程机械工况控制方法,其特征在于,所述基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,具体包括:
分别确定任一时序数据对应的第一抽样集合和第二抽样集合中各时序数据的绝对值的平均值,得到第一平均值和第二平均值;
基于所述第一平均值与所述第二平均值之间的比值,得到所述任一时序数据对应的第一抽样集合与第二抽样集合间的数值差异;
基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异中的最大值和/或最小值,确定异常时序数据。
5.根据权利要求1至4任一项所述的工程机械工况控制方法,其特征在于,所述预设相关阈值是基于如下步骤确定的:
获取与所述工程机械设备类型相同的样本设备在相同作业场景下采集的样本时序数据序列以及样本异常数据点;
分别基于多个测试相关阈值确定所述样本时序数据序列的第一测试异常时序数据段以及第一测试异常时序数据,并确定所述多个测试相关阈值对应的第一测试异常时序数据与所述样本异常数据点之间的对比结果;
基于所述多个测试相关阈值对应的第一测试异常时序数据与所述样本异常数据点之间的对比结果,确定所述预设相关阈值。
6.根据权利要求5所述的工程机械工况控制方法,其特征在于,所述第一预设抽样长度和所述第二预设抽样长度是基于如下步骤确定的:
分别基于多个测试抽样长度组,确定所述样本时序数据序列的第二测试异常时序数据段以及第二测试异常时序数据,并确定所述多个测试抽样长度组对应的第二测试异常时序数据与所述样本异常数据点之间的对比结果;其中,任一测试抽样长度组中包含两个不同的长度值;
基于所述多个测试抽样长度组对应的第二测试异常时序数据与所述样本异常数据点之间的对比结果,确定所述第一预设抽样长度和所述第二预设抽样长度。
7.根据权利要求1至4任一项所述的工程机械工况控制方法,其特征在于,所述时序数据序列的长度是基于所述工程机械设备的施工周期确定的,所述时序数据集合的长度是基于所述时序数据序列的长度确定的。
8.一种工程机械工况控制装置,其特征在于,包括:
数据划分单元,用于获取工程机械设备对应的时序数据序列,并基于滑动时间窗口将所述时序数据序列划分为多个时序数据集合;其中,所述滑动时间窗口的移动步长与所述时序数据序列中相邻时序数据的时间间隔相同;
数据段定位单元,用于基于任意两个相邻的时序数据集合间的相关系数与预设相关阈值,确定异常时序数据段;
数据抽样单元,用于基于第一预设抽样长度和第二预设抽样长度,分别以所述异常时序数据段中的各个时序数据为终止点对所述时序数据序列进行两次抽样,得到各个时序数据对应的第一抽样集合和第二抽样集合;其中,所述第一预设抽样长度和所述第二预设抽样长度不同;
数据点定位单元,用于基于各个时序数据对应的第一抽样集合与第二抽样集合间的数值差异,确定异常时序数据,并基于所述异常时序数据及其时间节点发送异常修复控制指令以控制工程机械设备进行异常修复;
其中,基于如下公式计算任意两个相邻的时序数据集合Ci和Ci+1间的相关系数ri,i+1:
其中,w为时序数据集合的长度,Ci (j)和Ci+1 (j)分别为时序数据集合Ci和Ci+1中的第j个时序数据。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述工程机械工况控制方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述工程机械工况控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310086506.8A CN115793553B (zh) | 2023-02-09 | 2023-02-09 | 工程机械工况控制方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310086506.8A CN115793553B (zh) | 2023-02-09 | 2023-02-09 | 工程机械工况控制方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115793553A CN115793553A (zh) | 2023-03-14 |
CN115793553B true CN115793553B (zh) | 2023-05-09 |
Family
ID=85430643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310086506.8A Active CN115793553B (zh) | 2023-02-09 | 2023-02-09 | 工程机械工况控制方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115793553B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
CN108460118A (zh) * | 2018-02-13 | 2018-08-28 | 清华大学 | 基于近邻的时间序列数据修复方法及装置 |
CN113986674A (zh) * | 2021-10-28 | 2022-01-28 | 建信金融科技有限责任公司 | 时序数据的异常检测方法、装置和电子设备 |
CN114241294A (zh) * | 2021-11-09 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 一种设备异常检测的方法、系统、设备及存储介质 |
CN115438102A (zh) * | 2022-11-09 | 2022-12-06 | 成都新希望金融信息有限公司 | 时空数据异常识别方法、装置和电子设备 |
-
2023
- 2023-02-09 CN CN202310086506.8A patent/CN115793553B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
CN108460118A (zh) * | 2018-02-13 | 2018-08-28 | 清华大学 | 基于近邻的时间序列数据修复方法及装置 |
CN113986674A (zh) * | 2021-10-28 | 2022-01-28 | 建信金融科技有限责任公司 | 时序数据的异常检测方法、装置和电子设备 |
CN114241294A (zh) * | 2021-11-09 | 2022-03-25 | 国网浙江省电力有限公司信息通信分公司 | 一种设备异常检测的方法、系统、设备及存储介质 |
CN115438102A (zh) * | 2022-11-09 | 2022-12-06 | 成都新希望金融信息有限公司 | 时空数据异常识别方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115793553A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN107888397B (zh) | 确定故障类型的方法和装置 | |
EP2950177A1 (en) | Asset condition monitoring | |
US20150219530A1 (en) | Systems and methods for event detection and diagnosis | |
CN111459695A (zh) | 根因定位方法、装置、计算机设备和存储介质 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
Netzer et al. | Intelligent anomaly detection of machine tools based on mean shift clustering | |
WO2017220107A1 (en) | Method and network node for detecting degradation of metric of telecommunications network | |
CN115793553B (zh) | 工程机械工况控制方法、装置、电子设备和存储介质 | |
CN103490830A (zh) | 基于物联网电力测温设备的去噪声射频频谱峰值获取方法 | |
CN116226676B (zh) | 适用于极端环境的机床故障预测模型生成方法及相关设备 | |
CN116994641A (zh) | 一种半导体老化测试方法及其系统 | |
CN115865630B (zh) | 基于深度学习的网络设备故障诊断方法及系统 | |
CN116975938A (zh) | 一种产品制造过程中的传感器数据处理方法 | |
CN115392812B (zh) | 一种异常根因定位方法、装置、设备及介质 | |
EP3164819B1 (en) | Acquisition of high frequency data in transient detection | |
JP2020166407A (ja) | モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法 | |
CN115150294B (zh) | 一种用于监控物联网设备的数据分析方法、设备及介质 | |
US20150248339A1 (en) | System and method for analyzing a storage system for performance problems using parametric data | |
CN114938339A (zh) | 一种数据处理方法和相关装置 | |
CN114021744A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN114116845A (zh) | 一种故障报告的生成方法、装置及存储介质 | |
CN114037010A (zh) | 一种电量数据异常的识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |